論文の概要: Unsupervised Pre-Training for 3D Leaf Instance Segmentation

• arxiv url: http://arxiv.org/abs/2401.08720v1
• Date: Tue, 16 Jan 2024 08:11:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-18 18:12:58.743695
• Title: Unsupervised Pre-Training for 3D Leaf Instance Segmentation
• Title（参考訳）: 3次元リーフインスタンスセグメンテーションのための教師なし事前訓練
• Authors: Gianmarco Roggiolani, Federico Magistri, Tiziano Guadagnino, Jens Behley, Cyrill Stachniss
• Abstract要約: 本稿では,3次元点雲上でのリーフインスタンスセグメンテーションの実行に必要なラベル付けの労力を削減する問題に対処する。 本稿では,ネットワークのバックボーンを初期化するための,自己教師型タスク固有の事前学習手法を提案する。 また,茎近傍の点を正確に区分けすることの難しさを考慮した新しい自動後処理も導入した。
• 参考スコア（独自算出の注目度）: 34.122575664767915
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Crops for food, feed, fiber, and fuel are key natural resources for our society. Monitoring plants and measuring their traits is an important task in agriculture often referred to as plant phenotyping. Traditionally, this task is done manually, which is time- and labor-intensive. Robots can automate phenotyping providing reproducible and high-frequency measurements. Today's perception systems use deep learning to interpret these measurements, but require a substantial amount of annotated data to work well. Obtaining such labels is challenging as it often requires background knowledge on the side of the labelers. This paper addresses the problem of reducing the labeling effort required to perform leaf instance segmentation on 3D point clouds, which is a first step toward phenotyping in 3D. Separating all leaves allows us to count them and compute relevant traits as their areas, lengths, and widths. We propose a novel self-supervised task-specific pre-training approach to initialize the backbone of a network for leaf instance segmentation. We also introduce a novel automatic postprocessing that considers the difficulty of correctly segmenting the points close to the stem, where all the leaves petiole overlap. The experiments presented in this paper suggest that our approach boosts the performance over all the investigated scenarios. We also evaluate the embeddings to assess the quality of the fully unsupervised approach and see a higher performance of our domain-specific postprocessing.
• Abstract（参考訳）: 食料、食物、繊維、燃料の作物は、我々の社会にとって重要な天然資源である。 植物をモニタリングし、その特性を測定することは、しばしば植物表現型と呼ばれる農業において重要な課題である。 伝統的に、このタスクは手動で行われ、時間と労力がかかる。 ロボットは再現性および高周波の測定を提供する表現型自動化が可能である。 今日の知覚システムは、ディープラーニングを使ってこれらの測定を解釈するが、十分な量の注釈付きデータを必要とする。 このようなラベルを取得することは、しばしばラベルの側でバックグラウンド知識を必要とするため、難しい。 本稿では,3次元点群におけるリーフ・インスタンス・セグメンテーションの実施に必要なラベル付け作業の削減という課題に対処する。 すべての葉を分けることで、それらを数え、関連する特徴を面積、長さ、幅として計算できます。 リーフインスタンスセグメンテーションのためのネットワークのバックボーンを初期化する,新しい自己教師付きタスク固有の事前学習手法を提案する。 また,各葉のペチオールが重なり合う茎近傍の点を正確に区分けすることの困難さを考慮した,新しい自動後処理を導入する。 本稿では,本手法がすべてのシナリオに対して性能を向上させることを示唆する。 また、完全に教師なしのアプローチの品質を評価するために埋め込みを評価し、ドメイン固有のポストプロセッシングのより高いパフォーマンスを確認します。

関連論文リスト

• Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
  3Dセグメンテーションはコンピュータビジョンの中核的な問題である。 完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。 半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2024-09-12T14:54:31Z)
• Lincoln's Annotated Spatio-Temporal Strawberry Dataset (LAST-Straw) [7.13465721388535]
  そこで本研究では,イチゴの3次元点群を2種類に分類し,84個の点群を集計した。 我々は、データセット上で表現型パイプラインを示すために、このようなツール(生物学的に関連のある表現型の抽出)のエンドユースに焦点を当てる。 これは、セグメンテーション、骨格化、追跡を含むステップで構成され、各ステージがどのように異なる表現型の抽出やデータインサイトの提供を促進するかを詳述する。
  論文  参考訳（メタデータ） (2024-03-01T14:44:05Z)
• On Domain-Specific Pre-Training for Effective Semantic Perception in Agricultural Robotics [30.966137924072097]
  農業ロボットは、畑を監視し、植物と成長段階を自動で評価することを目的としている。 意味的知覚は、主に教師付きアプローチを用いた深層学習に依存している。 本稿では,最終セグメンテーション性能を損なうことなく,ラベルの量を削減する問題を考察する。
  論文  参考訳（メタデータ） (2023-03-22T12:10:44Z)
• Eff-3DPSeg: 3D organ-level plant shoot segmentation using annotation-efficient point clouds [1.5882586857953638]
  本稿では,3次元植物撮影セグメンテーションのための弱教師付きフレームワーク Eff-3DPSeg を提案する。 大豆の高分解能点雲を低コストのフォトグラムシステムを用いて再構成した。 植物器官セグメンテーションのための弱教師付き深層学習法が提案された。
  論文  参考訳（メタデータ） (2022-12-20T14:09:37Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• Hierarchical Approach for Joint Semantic, Plant Instance, and Leaf Instance Segmentation in the Agricultural Domain [29.647846446064992]
  植物表現型は、植物の成長段階、発達、その他の関連する量を記述するため、農業において中心的な課題である。 本稿では,RGBデータから作物の連接意味,植物インスタンス,葉のインスタンスセグメンテーションの問題に対処する。 本稿では,3つのタスクを同時に処理する単一畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-14T15:01:08Z)
• Collaborative Propagation on Multiple Instance Graphs for 3D Instance Segmentation with Single-point Supervision [63.429704654271475]
  本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。 これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。 具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-10T02:14:39Z)
• An Effective Leaf Recognition Using Convolutional Neural Networks Based Features [1.137457877869062]
  本稿では,葉の認識に有効な手法を提案する。 葉はいくつかの前処理を経て、精製された色画像、静脈像、xy投影ヒストグラム、手作りの形状、テクスチャの特徴、フーリエディスクリプタを抽出する。 これらの属性は、サポートベクターマシン(SVM)モデルを使用して異なる葉を分類する前に、ニューラルネットワークベースのエンコーダによってより良い表現に変換される。
  論文  参考訳（メタデータ） (2021-08-04T02:02:22Z)
• One Thing One Click: A Self-Training Approach for Weakly Supervised 3D Semantic Segmentation [78.36781565047656]
  私たちは、アノテーションーがオブジェクトごとに1ポイントだけラベルを付ける必要があることを意味する「One Thing One Click」を提案します。 グラフ伝搬モジュールによって促進されるトレーニングとラベル伝搬を反復的に行う。 私たちの結果は、完全に監督されたものと同等です。
  論文  参考訳（メタデータ） (2021-04-06T02:27:25Z)
• Document Modeling with Graph Attention Networks for Multi-grained Machine Reading Comprehension [127.3341842928421]
  Natural Questionsは、新しい挑戦的な機械読解ベンチマークである。 解答は2つあり、長解(典型的には1段落)と短解(長解の内にある1つ以上の実体)である。 既存の方法は、これらの2つのサブタスクをトレーニング中に個別に扱い、依存関係を無視します。 本稿では,文書を階層的にモデル化する多層機械読解フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-12T14:20:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。